環(huán)境空氣污染監(jiān)測中工程造價探究

前言：本站為你精心整理了環(huán)境空氣污染監(jiān)測中工程造價探究范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:由于未進(jìn)行有效地指標(biāo)選取，導(dǎo)致環(huán)境空氣污染監(jiān)測中工程造價預(yù)測結(jié)果與實際存在較大誤差。提出環(huán)境空氣污染監(jiān)測中工程造價智能化預(yù)測方法。利用層次分析法計算所有擬定影響指標(biāo)的權(quán)重，利用粒子群算法(PSO)優(yōu)化神經(jīng)網(wǎng)絡(luò)模型初始權(quán)值和閾值，構(gòu)建改進(jìn)神經(jīng)網(wǎng)絡(luò)(PSO－ANN)的預(yù)測模型，實現(xiàn)空氣污染監(jiān)測站工程造價智能化預(yù)測。結(jié)果表明:所構(gòu)建預(yù)測模型應(yīng)用預(yù)測結(jié)果與實際結(jié)果更為接近，二者僅相差1.46萬元，證明所研究預(yù)測方法的準(zhǔn)確性更高，為環(huán)境工程建設(shè)投資提供了可靠依據(jù)。

關(guān)鍵詞:環(huán)境空氣污染監(jiān)測;工程造價;指標(biāo)選取;神經(jīng)網(wǎng)絡(luò);預(yù)測模型

前言

近年來，全球環(huán)境一直不斷惡化，空氣污染較為嚴(yán)重，因此空氣污染治理一直備受各界關(guān)注。在污染治理當(dāng)中，環(huán)境監(jiān)測是前提和基礎(chǔ)，各國非常重視空氣污染的監(jiān)測與治理［1］。基于上述背景，關(guān)于空氣污染監(jiān)測站成本預(yù)測的方法很多，但普遍存在預(yù)測不準(zhǔn)確的問題。一旦所需要預(yù)測的工程量巨大，涉及到的指標(biāo)因素眾多，這些方法由于缺乏對指標(biāo)因素的合理選擇，導(dǎo)致構(gòu)建的模型不是因為指標(biāo)選擇過多，增大數(shù)據(jù)量，就是指標(biāo)因素選擇過少，導(dǎo)致預(yù)測精度不足［2］。針對上述問題，提出基于層次分析法和改進(jìn)神經(jīng)網(wǎng)絡(luò)(AHP－PSO－ANN)的空氣污染監(jiān)測站工程造價智能化預(yù)測方法，以期方便工程造價工作，提高工程造價預(yù)測質(zhì)量，促進(jìn)環(huán)保工程建設(shè)順利。

1基于AHP－PSO－ANN監(jiān)測站工程造價智能化預(yù)測方法

為更好地監(jiān)測空氣污染，為污染治理提供可靠的依據(jù)，污染監(jiān)測站的建造是十分必要的。為更好地節(jié)約建造成本，控制成本支出，進(jìn)行工程造價預(yù)測至關(guān)重要［3］。在這里結(jié)合層次分析法、粒子群算法和人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測。

1.1預(yù)測模型指標(biāo)篩選

構(gòu)建模型的第一步是篩選指標(biāo)，選擇影響空氣污染監(jiān)測站工程造價的影響因子。影響監(jiān)測站工程造價的指標(biāo)有很多，有的指標(biāo)概念重疊，需要合并，有的指標(biāo)可直接對造價產(chǎn)生影響，而有的則是產(chǎn)生間接影響，因此指標(biāo)選擇的合理性至關(guān)重要［4］。選擇的指標(biāo)不能過多，也不能過少。指標(biāo)過多，會增加計算量，干擾預(yù)測的準(zhǔn)確性;而指標(biāo)過少，則會導(dǎo)致預(yù)測精度下降［5］。為此，可通過層次分析法來進(jìn)行指標(biāo)篩選。層次分析法是一種通過對比各個指標(biāo)對工程造價的影響程度來計算指標(biāo)權(quán)重［6］。通過對比權(quán)重大小來篩選指標(biāo)。層次分析法篩選指標(biāo)流程步驟如下:步驟1:羅列所有對空氣污染監(jiān)測站工程造價產(chǎn)生影響的指標(biāo);步驟2:對指標(biāo)進(jìn)行整理，由此建立指標(biāo)層次結(jié)構(gòu)模型;步驟3:圖1中同一層次指標(biāo)兩兩比較，比較其相對重要程度，并進(jìn)行評分。如極端重要則為9分;強烈重要為7分;明顯重要為5分;稍重要為3分;同等重要為1分;稍不重要為1/3分;明顯不重要為1/5分;強烈不重要為1/7分;極端不重要為1/9分。步驟4:根據(jù)比較得到的相對重要程度評分，建立判斷矩陣A，其描述如式(1):其中，aij代表第i個指標(biāo)相對于第j個指標(biāo)的比較結(jié)果。步驟5:計算權(quán)重Wi，計算公式如(2):Wi=Wi∑nj=1Wi(2)其中，W=kMi(i=1，2，…，n)(3)Mi=πaij(i=1，2，…，n)(4)式中，Wi代表第i指標(biāo)的權(quán)重;Mi代表判斷矩陣每一行元素的乘積;W代表各行Mi的幾何平均數(shù);n代表指標(biāo)數(shù)量;k代表方根值。步驟6:計算最大特征根。λmax=∑mi=1(AW)iW()in(5)步驟7:一致性檢驗。(1)計算一致性指標(biāo)CI，計算公式如(6):CI=λmax－nn－1(6)(2)計算一致性比例CR，計算公式如(7):CR=CIRI(7)其中，RI為隨機一致性指標(biāo)，其取值見表1。(3)一致性判斷。當(dāng)CR＜0．10，通過檢驗。步驟8:層次總排序。選出累積權(quán)重＞0.7的指標(biāo)作為預(yù)測模型的指標(biāo)。將上述過程篩選出來的指標(biāo)作為后續(xù)預(yù)測模型輸入變量［7］。

1.2預(yù)測模型構(gòu)建

1.2.1神經(jīng)網(wǎng)絡(luò)預(yù)測模型。選擇指標(biāo)后通過人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建空氣污染監(jiān)測站工程造價智能化預(yù)測模型。。人類處理問題是通過大腦中神經(jīng)元來完成的，因此人工神經(jīng)網(wǎng)絡(luò)就是模擬神經(jīng)元工作原理進(jìn)行預(yù)測的。通過上述章節(jié)選出的指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，通過運算輸出預(yù)測結(jié)果。人工神經(jīng)網(wǎng)絡(luò)有三層，每一次輸入向量如下:輸入層，向量為X(x1，x2，…，xi，…，xm);隱含層，向量為Y=(y1，y2，…，yk，…，yi);輸出層，向量為Z=(z1，z2，…，zj，…，zn);三層之間的連接權(quán)值和閾值設(shè)置如下:輸入層與隱含層:權(quán)值—wik;閾值—ξk;隱含層和輸出層:權(quán)值—wkj;閾值—ζj;人工神經(jīng)網(wǎng)絡(luò)預(yù)測過程分為前向傳播和反向傳播兩個過程。1．2．1．1前向傳播隱含層運算:yk(=f∑mi=1(wikxi+ξk));k=1，2，…，u(8)輸出層運算:zj(=f∑uk=1(wkjyk+ξj));j=1，2，…，n(9)式中，f()為傳遞函數(shù)。1．2．1．2反向傳播(1)誤差計算:計算輸出層實際輸出zj與設(shè)定的期望輸出gj之間的誤差Ej。Ej=∑nj=1(gj－zj)22(10)當(dāng)Ej大于設(shè)定輸出層閾值ζj，則進(jìn)行反向傳播。通過Ej調(diào)整權(quán)值和閾值。隱含層與輸入層之間的誤差Sk計算公式如(11):Sk=yk(1－yk()∑nj=1wkjE)j(11)(2)權(quán)重與閾值調(diào)整:輸入層與隱含層，隱含層與輸入層的權(quán)值調(diào)整公式(12)～(13):w'kj=wkj+hykEj(12)w'ik=wik+hxiSk(13)式中，w'kj、w'ik均為調(diào)整后的權(quán)值;η代表學(xué)習(xí)速率。輸入層與隱含層，隱含層與輸入層的閾值調(diào)整公式(14)～(15):ξ'j=ξj+hEj(14)ξ'k=ξk+hSk(15)式中，ξ'j、ξ'k均為調(diào)整后的閾值。1.2.2粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)算法具有很好的自適應(yīng)性和學(xué)習(xí)能力，因此依靠該算法構(gòu)建預(yù)測模型具有很好的智能性，但是權(quán)值和閾值的初始值是隨機選擇的，這樣容易無法實現(xiàn)全局最優(yōu)，預(yù)測結(jié)果不準(zhǔn)確。針對上述問題，利用PSO優(yōu)化模型的初始權(quán)值和閾值。粒子群算法是可通過不斷迭代運算，尋找最優(yōu)值的，其尋找神經(jīng)網(wǎng)絡(luò)預(yù)測模型權(quán)值和閾值過程見圖1。圖1中，粒子速度和位置下一次迭代更新計算公式如(16)～(17):速度更新:vk+1id=vkid+e1r1(Qkid－Ukid)+e2r2(Qkgd－Ukid)(16)位置更新:Uk+1id=Ukid+vk+1id(17)式中，k代表迭代次數(shù);vk+1id代表k+1次迭代粒子i的速度;vkid代表k次迭代粒子i的速度;Ukid代表k次迭代粒子i的位置;e1、e2代表調(diào)節(jié)因子;r1、r2代表隨機數(shù)，r1、r2∈(0，1);Qkid代表k次迭代粒子i的局部最好位置;Qkgd代表k次迭代粒子i的全局最好位置。

2算例分析

2.1工程概況

某監(jiān)測站位于中西部地區(qū)，但是該地區(qū)工業(yè)發(fā)達(dá)，因此歷年來工業(yè)污染逐漸加重，因此在該地區(qū)建立一個空氣污染監(jiān)測，實時掌握當(dāng)?shù)乜諝猸h(huán)境。該工程當(dāng)時項目投資概算總計為652.30萬元。其中，建筑安裝工程費:土建、裝飾、給排水、水暖、配電、通信、管線、其它等預(yù)計450萬元左右(具體項目支出見章節(jié)3.4)。征地費用預(yù)計200萬元。然而，在建設(shè)結(jié)束后，發(fā)現(xiàn)預(yù)計費用預(yù)測出現(xiàn)偏差，導(dǎo)致工程花費的實際費用遠(yuǎn)遠(yuǎn)超出項目投資概算總計652.30萬元，達(dá)到了693.06萬元，因此在后期追加了投資。在上述背景下，以這個已建設(shè)完成的空氣污染監(jiān)測站工程為例，根據(jù)已知信息預(yù)測該工程建設(shè)完成后所需要的成本，并與實際成本支出進(jìn)行對比，驗證預(yù)測方法的應(yīng)用準(zhǔn)確性。

2.2監(jiān)測站工程造價影響指標(biāo)篩選

利用層次分析法對擬定的監(jiān)測站工程造價預(yù)測影響指標(biāo)進(jìn)行篩選，篩選結(jié)果見表2。從表3中可看出，在20個影響指標(biāo)中，有5個指標(biāo)的累積權(quán)重小于0.7，未選入后續(xù)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入量，其余指標(biāo)入選。

2.3神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練

利用MATLAB2009a，構(gòu)建一個神經(jīng)網(wǎng)絡(luò)模型，模型構(gòu)建過程中所需要的參數(shù)如下:學(xué)習(xí)速率設(shè)置為0.1;迭代次數(shù)為100;初始權(quán)值為0.365和0.452;初始閾值為0.012和0.035;各層傳遞函數(shù)均為tansig。接著，利用粒子群算法構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行，優(yōu)化后的初始權(quán)值為0.256和0.352;初始閾值為0.022和0.030。MATLAB2009a平臺上構(gòu)建優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用train函數(shù)進(jìn)行訓(xùn)練，訓(xùn)練樣本為50個，訓(xùn)練結(jié)果見圖2。圖2神經(jīng)網(wǎng)絡(luò)預(yù)測模型訓(xùn)練結(jié)果從圖2中可看出，測試樣本輸入后，得出的預(yù)測值與實際值誤差很小，二者幾乎達(dá)到重合，說明預(yù)測模型擬合效果好，可用于所研究監(jiān)測站工程的造價預(yù)測當(dāng)中。

2.4預(yù)測結(jié)果統(tǒng)計與分析

預(yù)測結(jié)果和實際結(jié)果對比如下:項目預(yù)測結(jié)果/實際結(jié)果(1)土建項目:256.36萬元/257.25萬元;(2)裝飾項目:25.60萬元/25.71萬元;(3)給排水項目:52.36萬元/52.85萬元;(4)水暖項目:17.54萬元/17.52萬元;(5)配電項目:87.41萬元/87.36萬元;(6)通信項目:32.69萬元/32.72萬元;(7)管線項目:15.64萬元/15.65萬元;(8)征地費用:204.00萬元/204.00萬元;共計:691.60萬元/693.06萬元。從上述結(jié)果可知，所構(gòu)建預(yù)測模型應(yīng)用下，預(yù)測結(jié)果遠(yuǎn)超當(dāng)時項目投資概算總計為652.30萬元，與實際結(jié)果更為接近，二者僅僅相差1.46萬元，證明所研究預(yù)測方法的準(zhǔn)確性更高。

3結(jié)語

綜上所述，為降低空氣污染的影響范圍，并進(jìn)行有效治理，進(jìn)行污染監(jiān)測是必要的。污染監(jiān)測主要通過監(jiān)測站來完成，因此在各個地區(qū)中建立了各種監(jiān)測站。監(jiān)測站的建立需要大量成本，為降低成本浪費或者預(yù)防成本不足，進(jìn)行環(huán)境空氣污染監(jiān)測中工程造價智能化預(yù)測方法研究。該研究經(jīng)過算例分析，證明了預(yù)測方法的應(yīng)用效果，但是本研究仍有需要改進(jìn)的地方，即所構(gòu)建的預(yù)測模型指標(biāo)選取時未考慮氣候等自然環(huán)境造成的影響，因此最后得出的結(jié)果與實際結(jié)果仍存在誤差，這也是導(dǎo)致實際成本更高的原因，有待進(jìn)一步優(yōu)化和改進(jìn)。

作者:方力煒 單位:溫州職業(yè)技術(shù)學(xué)院